PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

Transkripsi

1 Jurnal Matematika UNAND Vol. 3 No. 2 Hal ISSN : c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Andalas, Kampus UNAND Limau Manis Padang, Indonesia, febyridianifeby@rocketmail.com Abstrak. Penduga titik dari suatu parameter populasi adalah sebuah nilai yang diperoleh dari sampel dan digunakan sebagai penduga dari parameter yang nilainya tidak diketahui. Pada artikel ini, pendugaan titik dengan metode momen dan metode maksimum Likelihood digunakan untuk menentukan penduga titik dari distribusi Beta. Pendugaan parameter distribusi beta dengan metode kemungkinan maksimum dibantu dengan metode iterasi numerik, yaitu Newton-Raphson. Penduga yang diharapkan adalah yang memiliki sifat tak bias, efisien dan konsisten. Simulasi data dilakukan dalam penelitian ini untuk membuktikan ketiga sifat tersebut. Hasil simulasi data menunjukkan bahwa metode kemungkinan maksimum lebih efisien dibandingkan dengan metode momen dalam menduga parameter distribusi beta. Kata Kunci: Distribusi Beta, Metode Momen, Metode Kemungkinan Maksimum, Metode Newton-Raphson 1. Pendahuluan Statistika Inferensia mencakup semua metode yang berhubungan dengan analisis sebagian data untuk kemudian melakukan peramalan atau penarikan kesimpulan mengenai keseluruhan gugus data induknya [3]. Penarikan kesimpulan tersebut dapat dilakukan dengan dua hal, yaitu pendugaan parameter dan pengujian hipotesis mengenai parameter populasi. Penduga titik dari sebuah parameter populasi adalah sebuah nilai yang diperoleh dari sampel dan digunakan sebagai penduga dari parameter yang nilainya tidak diketahui. Penduga yang diharapkan adalah penduga yang bersifat tak bias yaitu penduga yang memiliki nilai harapan sama dengan nilai parameter yang sebenarnya. Selain itu penduga tersebut harus memiliki variansi minimum di antara semua penduga tak bias lainnya. Distribusi yang dibahas dalam penelitian ini adalah distribusi Beta. Distribusi Beta adalah salah satu distribusi probabilitas kontinu yang didefinisikan pada interval [0, 1] dan memiliki dua parameter bernilai positif, dilambangkan dengan α dan β, yang berperan sebagai eksponen variabel acak dan mengontrol bentuk dari distribusi Beta. Fungsi kepekatan peluang distribusi Beta dapat dinyatakan sebagai 23

2 24 Feby Ridiani berikut. f(x; α, β) = 1 B(α, β) xα 1 (1 x) β 1 (1.1) dimana α > 0, β > 0 dan B(α, β) adalah fungsi Beta. Dalam penelitian ini akan dikaji bagaimana menduga parameter distribusi beta dengan menggunakan berbagai metode pendugaan dan bagaimana perbandingan keefisienan penduga tersebut. Dua metode yang akan dikaji pada penelitian ini adalah metode momen dan metode kemungkinan maksimum. 2. Pendugaan Parameter dengan Metode Momen Untuk mendapatkan penduga parameter distribusi beta dengan menggunakan metode momen, diperlukan momen pusat pertama dan kedua baik untuk populasi maupun sampel dari distribusi beta. Momen pusat ke-k dari populasi didefinisikan sebagai µ k = E(X k ) (2.1) Momen pusat pertama dari populasi adalah nilai harapan dari peubah acak X tersebut, yang didefnisikan sebagai berikut. µ 1 = E(X) = α α + β Selanjutnya momen pusat kedua dari populasi diperoleh sebagai berikut. (2.2) µ 2 = E(X 2 ) = α(α + 1) (α + β)(α + β + 1) (2.3) Momen pusat pertama dan kedua dari sampel acak X 1, X 2,, X n didefinisikan sebagai berikut. Xi m 1 = n, (2.4) X 2 m 2 = i (2.5) n Berdasarkan momen pusat populasi dan momen pusat sampel distribusi Beta serta menyelesaikan persamaan yang diperoleh, penduga untuk parameter α yang diperoleh dengan metode momen adalah x(1 x) ˆα = x( S 2 1) (2.6) dan penduga untuk parameter β yang diperoleh dengan metode kemungkinan maksimum adalah ˆβ = (1 x)( x(1 x) S 2 1) (2.7)

3 Pendugaan Parameter Distribusi Beta dengan Metode Momen dan Metode Maksimum Likelihood Pendugaan Parameter dengan Metode Kemungkinan Maksimum Misalkan X = [X 1, X 2,, X n ] adalah sampel acak berukuran n yang berasal dari distribusi Beta. Pendugaan parameter dengan metode kemungkinan maksimum dapat dilakukan dengan terlebih dahulu menentukan fungsi kemungkinan dari distribusi tersebut. Fungsi kemungkinan dari fungsi kepekatan distribusi Beta adalah L(α, β x 1,, x n ) = 1 f(x i ; α, β) = ( B(α, β) )n x α 1 i (1 x i ) β 1 (3.1) Penduga dari parameter α dan β adalah penduga yang memaksimumkan fungsi kemungkinan tersebut. Nilai maksimum fungsi tersebut dapat diperoleh dengan menggunakan logaritma natural dari fungsi kemungkinan tersebut, yang dinyatakan 1 ln L(α, β x 1,, x n ) = ln(( B(α, β) )n x α 1 i (1 x i ) β 1 ) (3.2) = n ln(γ(α + β)) n ln(γ(α)) n ln(γ(β)) (3.3) +(α 1) ln(x i ) + (β 1) ln(1 x i ). (3.4) Fungsi di atas dapat dimaksimumkan dengan mendiferensialkan persamaan fungsi tersebut terhadap semua parameter yang mengikuti dan disamadengankan dengan nol. (1) Bila diturunkan terhadap α dan menyamakannya dengan nol α ln L(α, β x 1,, x n ) = 0, (3.5) nψ(α + β) nψ(α) + ln(x i ) = 0 (3.6) dimana ψ(.) adalah fungsi digamma. (2) Bila diturunkan terhadap β dan menyamakannya dengan nol dimana ψ(.) adalah fungsi digamma. β ln L(α, β x 1,, x n ) = 0, (3.7) nψ(α + β) nψ(β) + ln(1 x i ) = 0 (3.8) Dalam menentukan dugaan parameter α dan β dari distribusi beta dengan metode kemungkinan maksimum, tidak diperoleh ekspresi bentuk tertutup untuk dugaan parameter. Hal ini dapat diatasi dengan menggunakan metode iterasi numerik, yaitu metode Newton-Raphson. 4. Metode Newton-Raphson Secara umum metode Newton Rapshon dirumuskan sebagai berikut. x i+1 = x i f(x i) f (x i ) (4.1) Langkah-langkah metode Newton-Raphson untuk menyelesaikan persamaan fungsi dua variabel adalah sebagai berikut.

4 26 Feby Ridiani (1) Menentukan tebakan awal x 0 dan y 0, (2) Menentukan turunan pertama dan turunan kedua dari z = f(x, y), (3) Definisikan g t sebagai vektor fungsi yang ingin dicari akar-akarnya, yaitu [ ] fx g t = f y (4.2) dan matriks G t sebagai matriks Jacobian dari g t yaitu [ ] fxx f G t = xy. (4.3) f yx f yy Selanjutnya, definisikan matriks Hessian H t yang dirumuskan dengan H t = G t. Jadi iterasi Newton-Raphson untuk kasus ini adalah [ ] [ ] xt+1 xt = + Ht 1 g t (4.4) y t+1 (4) Iterasi akan berhenti ketika x t+1 x t y t+1 y t < ɛ, dimana ɛ adalah batas galat yang ditetapkan. Berdasarkan langkah-langkah di atas, pendugaan parameter distribusi Beta dengan metode kemungkinan maksimum dan dilanjutkan dengan metode Newton-Raphson dapat dilakukan dengan suatu iterasi ] [ˆαt+1 = ˆβ t+1 y t [ˆαˆβ] + H 1 t g t (4.5) dimana dan H t = [ nψ(ˆα g t = t + ˆβ t nψ(ˆα t ) + ] n i=1 ln(x i) nψ(ˆα t + ˆβ t nψ( ˆβ t ) + n i=1 ln(x i) [ ] nψ 1 (ˆα t + ˆβ t ) + nψ 1 (ˆα t ) nψ 1 (ˆα t + ˆβ t ) ψ 1 (ˆα t + ˆβ t ) nψ 1 (ˆα t + ˆβ t ) + nψ 1 ( ˆβ t ) (4.6) (4.7) dengan nilai dugaan awal α 0 = ˆα dan β 0 = ˆβ. Iterasi akan berhenti jika x t+1 x t y t+1 y t < ɛ, dimana ɛ adalah suatu batas yang ditetapkan. 5. Evaluasi Sifat-sifat Penduga Penduga yang baik adalah penduga yang memiliki sifat tak bias, efisien dan konsisten. Dalam simulasi ini akan dibandingkan nilai harapan, variansi dan Mean Square Error (MSE) dari dugaan yang dipeoleh antara metode momen dan metode kemungkinan maksimum untuk menunjukkan apakah penduga yang didapatkan dengan metode momen dan metode kemungkinan maksimum merupakan penduga yang bersifat tak bias, efisien dan konsisten. Sampel data yang digunakan yaitu

5 Pendugaan Parameter Distribusi Beta dengan Metode Momen dan Metode Maksimum Likelihood 27 Gambar 1. Nilai Dugaan Parameter dengan Metode Momen dan Metode Kemungkinan Maksimum (MLE) dengan α = 1, 3 dan β = 4, 5 Gambar 2. Nilai Dugaan Parameter dengan Metode Momen dan Metode Kemungkinan Maksimum (MLE) dengan α = 6 dan β = 6 n = 30, 50, 100, 500 dengan nilai parameter berturut-turut dan dengan pengulangan dilakukan sebanyak 100 kali. Batas galat yang digunakan pada metode Newton- Raphson adalah ɛ =

6 28 Feby Ridiani Berdasarkan kecenderungan hasil simulasi data sehingga untuk n dapat disimpulkan bahwa penduga parameter distribusi beta yang diperoleh dengan metode momen dan metode kemungkinan maksimum bersifat cenderung konsisten. Ketakbiasan dari penduga parameter distribusi beta tidak dapat diketahui karena tidak dapat dibuktikan secara analitik. Jika dibandingkan keefesienan kedua penduga, diperoleh bahwa pendugaan parameter distribusi beta dengan metode kemungkinan maksimum lebih efisien dibandingkan dengan pendugaan parameter dengan metode momen karena nilai MSE yang diperoleh untuk metode kemungkinan maksimum lebih kecil dibandingkan dengan MSE pada metode momen. 6. Ucapan Terima kasih Penulis mengucapkan terima kasih kepada Ibu Izzati Rahmi HG,M.Si, Ibu Hazmira Yozza, M.Si, Bapak Dr. Dodi Devianto, Bapak Yudiantri Asdi, M.Sc, dan Bapak Dr. Mahdhivan Syafwan yang telah memberikan masukan dan saran sehingga paper ini dapat diselesaikan. Daftar Pustaka [1] Anonim. Beta Distribution Available from: [diakses pada 21 September 2013]. [2] Bain, L. J. and E. Max Introduction to Probability and Mathematical Statistics. Second Edition. California:Duxbury Press. [3] Casella, G. and R.L. Berger Statistical Inference. California: Pacific Grove. [4] Chapra, S. C. and R.P. Canale Metode Numerik untuk Teknik. Terjemahan oleh S. Sardy Jakarta: UI-Press. [5] Hogg, R.V. and T.C. Allen Introduction to Mathematical Statistics. Fourth Edition. New York. Macmillan Publishing Co., Inc. [6] Jalarno, D. dan D. Ispriyanti Penentuan Model Regresi Terpotong Atas dengan Metode Maksimum Likelihood. Media Statistika, Vol. 1, No.2, [7] Larissa, D. I. dan D. Ispriyanti Penentuan Estimasi Parameter Regresi dengan Variabel Dependen Tersensor. Jurnal Matematika, Vol. 11, No.3, [8] Montgomery, D.C. and G.C. Runger Applied Statistics and Probability for Engineer. Third Edition. New York. John Willey and Son, Inc. [9] Kristin, E.M., A. Adnan dan S. Sugiarto Taksiran Parameter Distribusi Weibull dengan Menggunakan Metode Momen dan Metode Maximum Likelihood. Karya Ilmiah. [10] Misbahussurur, A Estimasi Parameter Gamma dengan Metode Maximum Likelihood. Skripsi-S1, tidak diterbitkan. UIN Maulana Malik Ibrahim, Malang.